基于空间灰度共生矩阵木材纹理分类识别的研究

以10种木材纹理样本为对象,研究了木材纹理参数体系的建立方法,并进行了分类识别的仿真实验。首先,针对木材纹理特点并结合类别可分性判据,构造了适于描述木材的空间灰度共生矩阵,并在此基础上提取了木材的11个纹理特征参数。其次,借助相关性分析对参数进行了特征选择,进而建立了能直接与人的感官对应的木材纹理参数体系。最后,利用 BP 神经网络分类器对木材样本进行了分类识别研究,识别率为87.50%,验证了参数体系的有效性,表明用本文提出的纹理参数体系对木材进行分类识别是可行的。     

基于BP神经网络木材纹理分类的研究

应用 BP 神经网络对常见的10种木材纹理进行了分类研究,获得了比较满意的效果。首先,应用灰度共生矩阵提取了木材的纹理特征参数;其次,在此特征参数体系下,应用 BP 神经网络对木材纹理进行了分类研究,识别率达89%。     

基于主分量分析木材纹理的特征提取

本文用主分量分析法分析了木材纹理的14个灰度共生矩阵特征参数，从中提取了4个综合参数，并分别统计了采用这两套特征参数，最近邻分类器，K近邻分类器和神经网络分类器对木材样本分类正确率，结果表明采用主分量分析提取的综合参数不仅能减少数据量，而且获得了较高的分类精度。     

基于高斯-马尔可夫随机场木材纹理特征的研究

将高斯—马尔可夫随机场(GMRF)引入木材纹理的研究,提取了二阶与五阶特征参数,并对二阶特征参数做了详细分析,得出通过θ2可以判断纹理的主方向,而结合θ1、θ2、θ3、θ4能够区分开木材的弦切和径切纹理。将五阶特征参数组成的特征向量输入给BP神经网络分类器,其分类识别率约为85%,表明了高阶GMRF参数对木材纹理描述的有效性。     

基于融合彩色特征木材表面颜色分类的研究

针对木材表面颜色自动分类的难题,在RGB颜色空间,将R、G、B三个颜色矩阵融合成一个特征矩阵,再对这个特征矩阵提取颜色三阶矩参数作为木材表面颜色分类的特征参数,设计了适合木材表面颜色分类的BP神经网络分类器,分类识别率达到98.67%,验证了提取特征参数的有效性。     

基于空间灰度共生矩阵的木材纹理特征提取

讨论了生成步长、生成方向、图像灰度级对灰度共生矩阵特征参数的影响，在对国内50个树种计算分析的基础上，得出适于描述木材纹理的灰度共生矩阵构造方法。结合了灰度共生矩阵特征参数间的相关性及木材纹理自身的特征提取出了一套表征木材纹理的特征参数。     

小波变换的木材纹理在线分选

以180幅木材样本图片为对象,研究以小波变换方法提取特征参数,分析几种小波基的特点和性质,最终以对称性为依据,选择使用sym4小波对图像进行二级小波分解,可以得到一级水平细节HL1、垂直细节LH1、对角细节HH1,二级的近似LL2、水平细节HL2、垂直细节LH2、对角细节HH2共7个子图,提取整幅图像的熵和每个子图小波系数的均值及标准差作为特征参数。将木材纹理按照直纹、抛物线和乱纹3种纹理的分类标准,以BP神经网络作为分类器进行了木材纹理分类的验证,并与灰度共生矩阵的方法进行了对比。试验表明:采用小波变换的方法对木材纹理特征进行描述,不但提高了分类的准确率,重要的是缩短了运算时间,可以达到在线监测的要求。     

随机森林算法在树木年轮图像分割中的应用

年轮图像早晚材的准确分割是树木年轮计数和间距测量的前提条件。为解决年轮本身生长的复杂性、采伐过程中的锯痕干扰、早晚材图像灰度差别较小等因素造成的分割难题,提出了一种基于随机森林(random forest,RF)算法的分类模型,可实现年轮图像的准确分割。首先,通过变换图像的颜色域空间,提取出样本图像在RGB、HSV和L*a*b*模型下的9个颜色分量,基于灰度共生矩阵提取样本图像的对比度、相关性、能量和熵的均值与标准差共8个纹理特征。然后,根据早晚材颜色与纹理特征的差异,基于随机森林算法构建像素分类器,实现年轮图像的早晚材的初步分割。为了提高分割图像的质量和准确度,对分割后的图像使用形态学方法消除孤立和黏连噪声,以得到最终分割图像。最后,将该方法与K-均值聚类(K-means)算法和支持向量机(support vector machine,SVM)算法进行对比。结果表明:所采用基于RF算法的分类模型分割年轮晚材的正确识别率为95%左右,错误识别率在6%左右,图像分割效果明显优于其他两种算法。     

基于不变矩特征木材纹理的研究

不变矩是模式识别中的一种重要方法,它具有平移不变性、比例不变性和旋转不变性等优点。本文将其引入到木材纹理的计算机视觉研究领域,提取了木材纹理的不变矩参数,并用提取的特征参数对木材纹理进行了分类研究,最近邻分类器的正确率为86.67%,获得了较高的分类正确率,从而验证了不变矩参数对木材纹理描述的有效性。     

基于混合特征与最小二乘支持向量机的山核桃鲜果识别

针对颜色和背景相似的山核桃鲜果不易分离的问题,研究了自然环境下成熟山核桃鲜果的机器视觉识别方法。该算法以2×2像素的正方形区域作为分割单位,选择颜色比值B/R、R/G作为颜色特征,选择了基于灰度直方图的特征描述参数如均值、标准方差、平滑度、三阶矩、一致性和熵,以及基于灰度共生矩阵的特征描述参数角二阶矩、对比度和熵作为纹理特征,共同构成特征向量,采用LS-SVM算法建立了识别模型,并利用该模型对80幅顺光图像和50幅逆光图像进行测试。试验结果表明:该方法在顺光、逆光下的山核桃鲜果有效识别率分别为92.48%、88.15%,可为山核桃采摘机器人的研发提供技术参数。     

基于扩展的LBP算子地板块纹理分类研究

针对地板块纹理分类问题,首次引入局部二值模式LBP算子提取地板块纹理特征。本文提出一种基于扩展的LBP算子地板块纹理分类方法。在阐述LBP算子基本原理的基础上,采用中值滤波法去除图像噪点,以减少噪点对图像纹理特征的干扰,将均匀模式和旋转不变性与传统的LBP算子相融合,提取地板块纹理特征,经KNN分类器实现地板块纹理分类。实验结果表明该方法识别速度快、辨识准确率高,优于传统的灰度共生矩阵法,为地板块纹理分类的研究提供新思路。     

基于高斯-马尔可夫随机场的木材表面纹理分类

阐述了高斯-马尔可夫随机场模型的基本原理,建立了木材表面纹理的2-5阶高斯-马尔可夫随机场(Gauss-MRF)模型,用最小二乘法估计了300个木材样本表面纹理的2-5阶Gauss-MRF参数。数据分析表明,各不同纹理特征参数之间具有明显的分布性;Gauss-MRF参数值最大的参数所表示的纹理集聚方向为纹理的主方向;对于纹理主方向相同的样本,纹理越细致,其相应参数越大,而其他参数越小;Gauss-MRF阶数越高,纹理描述越细致;在2阶Gauss-MRF模型情况下,弦切纹理的B1参数大于径切纹理的B1;弦切纹理的B2、B3、B4分别小于径切纹理的B2、B3、B4。根据分离判据的值,确定以5阶Gauss-MRF参数为特征向量进行初步聚类,总体正确率为88%。     

近红外光谱结合支持向量机快速识别树种

利用阿达玛变换近红外光谱结合支持向量机,对制浆造纸常用木材树种的快速识别进行研究。将各树种近红外光谱先进行多点平滑和标准正态变换预处理以消除噪音干扰和光散射导致的测量偏差,然后基于不同建模策略建立一对多和一对一两种支持向量机模型,考察这两种模型对多树种属间分类和种间分类的预测能力,并与传统的偏最小二乘判别分析分类法进行对比。结果表明,支持向量机预测模型对桉木、相思木、杨木、水杉等树种的属间分类正确率达到98%以上,种间分类正确率均达到95%以上,在处理复杂分类问题时模型稳健性明显优于传统分类方法,从方法上证明了近红外技术工业化应用的可能性,为进一步建立近红外在线检测木片材性分析系统奠定了基础。     

Automated classification of wood transverse cross-section micro-imagery from 77 commercial Central-African timber species

?Key message

Pattern recognition has become an important tool to aid in the identification and classification of timber species. In this context, the focus of this work is the classification of wood species using texture characteristics of transverse cross-section images obtained by microscopy. The results show that this approach is robust and promising.

?Context

Considering the lack of automated methods for wood species classification, machine vision based on pattern recognition might offer a feasible and attractive solution because it is less dependent on expert knowledge, while existing databases containing high-quality microscopy images can be exploited.

?Aims

This work focuses on the automated classification of 1221 micro-images originating from 77 commercial timber species from the Democratic Republic of Congo.

?Methods

Microscopic images of transverse cross-sections of all wood species are taken in a standardized way using a magnification of 25 ×. The images are represented as texture feature vectors extracted using local phase quantization or local binary patterns and classified by a nearest neighbor classifier according to a triplet of labels (species, genus, family).

?Results

The classification combining both local phase quantization and linear discriminant analysis results in an average success rate of approximately 88% at species level, 89% at genus level and 90% at family level. The success rate of the classification method is remarkably high. More than 50% of the species are never misclassified or only once. The success rate is increasing from the species, over the genus to the family level. Quite often, pattern recognition results can be explained anatomically. Species with a high success rate show diagnostic features in the images used, whereas species with a low success rate often have distinctive anatomical features at other microscopic magnifications or orientations than those used in our approach.

?Conclusion

This work demonstrates the potential of a semi-automated classification by resorting to pattern recognition. Semi-automated systems like this could become valuable tools complementing conventional wood identification.

     

自组织人工神经网络在立地条件遥感分类研究中的应用

运用以航空遥感图像为主的信息源，获取立地要素信息，在ＡＲＣ／ＩＮＦＯ系统支持下，建立空间信息库，选取５５０个样本数据，训练自组织人工神经网络，然后对１５９个“未知”样本进行立地分类预测和容错检验。结果表明，该模型的分类，容错能力强，综合了遥感图像目视判讯与计算机自动分类的优点，开拓了遥感与ＧＩＳ技术相结合进行智能化立地条件分类研究的新途径。